Neste trabalho, vamos modelar o preço de venda de imóveis a partir de dados relativos a uma amostra de 27 imóveis. As variáveis desse conjunto de dados são:
imposto: imposto do imóvel (em US$ 100);
areaT: área do terreno (em 1.000 pés quadrados);
areaC: área construída (em 1.000 pés quadrados);
idade: idade da residência (em anos);
preco: preço de venda do imóvel (em US$ 1.000).
O modelo ajustado será o normal linear com variável resposta preço de venda e as demais variáveis como explicativas. Em seguida, utilizaremos o método AIC para selecionar as variáveis explicativas, faremos uma análise de diagnóstico com o modelo selecionado e interpretaremos os coeficientes estimados.
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.2 v dplyr 1.0.7
## v tidyr 1.1.3 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(plotly)##
## Attaching package: 'plotly'## The following object is masked from 'package:ggplot2':
##
## last_plot## The following object is masked from 'package:stats':
##
## filter## The following object is masked from 'package:graphics':
##
## layoutdados = read.table("imoveis.dat")
dados = dados %>% rename(imposto = V1,
areaT = V2,
areaC = V3,
idade = V4,
preco = V5)
attach(dados)
plot_ly(type = "box") %>%
add_boxplot(y = imposto, name = "imposto") %>%
add_boxplot(y = areaT, name = "área do terreno") %>%
add_boxplot(y = areaC, name = "área construída") %>%
add_boxplot(y = idade, name = "idade do imóvel") %>%
add_boxplot(y = preco, name = "preço de venda")